多目标进化优化 [Multi-objective Evolutionary Optimization] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

郑金华，邹娟 著

图书标签:

• 进化优化
• 多目标优化
• 算法
• 优化算法
• 机器学习
• 人工智能
• 计算智能
• 工程优化
• 复杂系统
• 自然计算

出版社： 科学出版社

ISBN：9787030521491

版次：1

商品编码：12296588

包装：精装

外文名称：Multi-objective Evolutionary Optimization

开本：16

出版时间：2017-05-01

用纸：胶版纸

页数：291

正文语种：中文

内容简介

近年来，多目标进化算法(MOEA)的研究进入了快速发展阶段，越来越多的人开始从事MOEA新方法和新技术的设计与实现，MOEA的应用日益广泛。

本书比较全面地综述了MOEA的国际研究现状和发展趋势，介绍了MOEA的基础知识和基本原理；论述和分析了构造Pareto优解集的方法、保持进化群体分布性的方法和策略，以及MOEA的收敛性；讨论了目前国际上具代表性的MOEA以及高维MOEA、偏好MOEA和动态MOEA；探讨了MOEA的性能评价方法、MOEA的测试方法，以及MOEA测试实验平台。最后，讨论了用多目标进化方法求解约束优化问题，并分类概述了MOEA的应用及两个具体应用实例。

本书可作为计算机、自动控制和其他相关专业高年级本科生、硕士研究生、博士研究生，以及MOEA爱好者研究和学习的教材或参考书。

目录

序言
前言
第1章 绪论
1．1 MOEA概述
1．2 MOEA的分类
1．2．1 按不同的进化机制分类
1．2．2 按不同的决策方式分类
1．3 多目标进化优化方法研究
1．4 MOEA理论研究
1．5 MOEA应用研究
1．6 有待进一步研究的课题

第2章 多目标进化优化基础
2．1 进化算法
2．1．1 遗传算法的基本流程
2．1．2 编码
2．1．3 适用度评价
2．1．4 遗传操作
2．2 多目标优化问题
2．3 多目标进化个体之间关系
2．4 基于Pareto的多目标最优解集
2．4．1 Pareto最优解
2．4．2 Pareto最优边界
2．4．3 凸空间和凹空间
2．5 基于Pareto的多目标进化算法的一般框架

第3章 多目标Pareto最优解集构造方法
3．1 构造Pareto最优解的简单方法
3．1．1 Deb的非支配排序方法
3．1．2 用排除法构造非支配集
3．2 用庄家法则构造Pareto最优解集
3．2．1 用庄家法则构造非支配集的方法
3．2．2 正确性论证
3．2．3 时间复杂度分析
3．2．4 实例分析
3．2．5 实验结果
3．3 用擂台赛法则构造Pareto最优解集
3．3．1 用擂台赛法则构造非支配集的方法
3．3．2 正确性论证及时间复杂度分析
3．3．3 实例分析
3．3．4 实验结果
3．4 用递归方法构造Pareto最优解集
3．5 用快速排序方法构造Pareto最优解集
3．5．1 个体之间的关系
3．5．2 用快速排序方法构造非支配集
3．6 用改进的快速排序方法构造Pareto最优解集
3．6．1 改进的快速排序算法
3．6．2 实验结果

第4章 多目标进化群体的分布性
4．1 用小生境技术保持进化群体的分布性
4．2 用信息熵保持进化群体的分布性
4．3 用聚集密度方法保持进化群体的分布性
4．4 用网格保持进化群体的分布性
4．4．1 网格边界
4．4．2 个体在网格中的定位
4．4．3 自适应网格
4．5 用聚类方法保持进化群体的分布性
4．5．1 聚类分析中的编码及其相似度计算
4．5．2 聚类分析
4．5．3 极点分析与处理
4．6 非均匀问题的分布性
4．6．1 非均匀分布问题
4．6．2 杂乱度分析
4．6．3 种群维护

第5章 多目标进化算法的收敛性
5．1 多目标进化模型及其收敛性分析
5．1．1 多目标进化简单模型
5．1．2 reduce函数
5．1．3 收敛性分析
5．2 自适应网格算法及其收敛性
5．2．1 有关定义
5．2．2 自适应网格算法
5．2．3 AGA收敛性分析
5．2．4 AGA的收敛条件
5．3 MOEA的收敛性分析
5．3．1 Pareto最优解集的特征
5．3．2 MOEA的收敛性

第6章 多目标进化算法
6．1 基于分解的MOEA
6．1．1 i类聚合函数
6．1．2 基于分解的MOEA算法框架
6．2 基于支配的MOEA
6．2．1 schaffer和Fonseca等的工作
6．2．2 NSGA-Ⅱ
6．2．3 NPGA
6．2．4 SPEA2
6．2．5 PESA
6．2．6 PAES
6．2．7 MGAM00
6．2．8 MOMGA
6．2．9 基于信息熵的MOEA
6．2．10 mBOA
6．3 基于指标的MOEA
6．3．1 Hypervolume指标和二元ε-indicator指标
6．3．2 SMS-EMOA
6．3．3 IBEA
6．4 NSGA-Ⅱ、SPEA2、MOEA／D实验比较结果

第7章 高维MOEA
7．1 概述
7．2 NSGA-Ⅲ
7．2．1 参考点的设置
7．2．2 种群的自适应标准化
7．2．3 关联操作
7．2．4 个体保留操作
7．2．5 NSGA-Ⅲ时间复杂度分析
7．3 ε-MOEA
7．4 SDE
7．5 实验结果及对高维MOEA研究的思考

第8章 偏好MoEA
8．1 概述
8．2 g-dominance算法
8．3 r-dominanee算法
8．4 角度信息偏好算法
8．5 实验结果

第9章 基于动态环境的MOEA
9．1 动态多目标优化问题（DMOP）
9．1．1 DMOP基本概念及数学表述
9．1．2 DMOP的分类·
9．1．3 动态多目标进化方法
9．1．4 动态多目标测试问题
9．2 FPS
9．2．1 预测策略及算法
9．2．2 实验结果
9．3 PPS
9．3．1 PPS基本原理
9．3．2 PS中心点的预测
9．3．3 PS的副本估计
9．3．4 下一时刻解的生成
9．3．5 PPS算法
9．3．6 实验结果
9．4 DEE-PDMS
9．4．1 动态环境模型
9．4．2 动态进化模型的实现
9．4．3 DEE-PDMS
9．4．4 实验结果

第10章 MOEA性能评价
10．1 概述
10．2 实验设计与分析
10．2．1 实验目的
10．2．2 MOEA评价工具的选取
10．2．3 实验参数设置
10．2．4 实验结果分析
10．3 MOEA性能评价方法
10．3．1 评价方法概述
10．3．2 收敛性评价方法
10．3．3 分布性评价方法
10．4 综合评价指标
10．4．1 超体积指标
10．4．2 反转世代距离

第11章 MoEA测试函数
11．1 概述
11．2 MOEA测试函数集
11．3 MOP问题分类
11．3．1 非偏约束的数值MOEA测试函数集
11．3．2 带偏约束的数值MOEA测试函数集
11．4 构造MOP测试函数的方法
11．4．1 从数值上构造MOP
11．4．2 规模可变的多目标测试函数的构造方法
11．4．3 自底向上地构造规模可变的多目标测试函数
11．4．4 对曲面进行约束构造规模可变的多目标测试函数
11．5 DTLZ测试函数系列
11．5．1 DTLZl
11．5．2 DTLZ2
11．5．3 DTLZ3
11．5．4 DTLZ4
11．5．5 DTLZ5
11．5．6 DTLZ6
11．5．7 DTLZ7
11．5．8 DTLZ8
11．5．9 DTLZ9
11．6 组合优化类MOEA测试函数
11．7 WFG测试问题工具包
11．7．1 问题特性
11．7．2 Pareto最优面的几何结构
11．7．3 构造测试问题的一般方法
11．7．4 WFGl～WFG9
11．8 可视化测试问题
11．9 其他测试问题

第12章 多目标优化实验平台
12．1 多目标优化实验平台特性
12．2 开源软件框架
12．3 优化模板库
12．3．1 OTL的构成
12．3．2 OTL面向对象的设计架构
12．3．3 0TL的三个组成工程

第13章 基于多目标优化求解单目标约束优化问题
13．1 约束优化概述
13．2 CW算法
13．3 HCOEA算法

第14章 MOEA应用
14．1 MOEA应用概述
14．1．1 MOEA在环境与资源配置方面的应用
14．1．2 MOEA在电子与电气工程方面的应用
14．1．3 MOEA在通信与网络优化方面的应用
14．1．4 MOEA在机器人方面的应用
14．1．5 MOEA在航空航天方面的应用
14．1．6 MOEA在市政建设方面的应用
14．1．7 MOEA在交通运输方面的应用
14．1．8 MOEA在机械设计与制造方面的应用
14．1．9 MOEA在管理工程方面的应用
14．1．10 MOEA在金融方面的应用
14．1．11 MOEA在科学研究中的应用
14．2 MOEA在车辆路径问题中的应用
14．2．1 带时间窗的车辆路径问题
14．2．2 求解VRPTW问题的MOEA
14．2．3 可变概率的λ-interchange局部搜索法
14．2．4 实验与分析
14．3 MOEA在供水系统中的应用
14．3．1 水泵调度问题
14．3．2 求解方法
14．3．3 实验结果分析
附录A 符号及缩写
附录B MOPs测试函数
附录C 表B．1 测试函数的Pture图和PFtrue图
附录D 表B．2 测试函数的Pture图和PFtrue图
参考文献

深入探索人工智能与神经科学的交汇点 书名：认知计算的未来：基于生物启发模型的智能系统构建 内容简介 本书旨在深入剖析当代认知科学、人工智能以及复杂系统理论的前沿交叉领域，重点聚焦于如何从生物大脑的运作机制中汲取灵感，构建出更具鲁棒性、适应性和通用性的智能系统。我们不再仅仅满足于传统符号主义或纯粹的统计学习范式，而是着眼于揭示生命体智能的内在规律，并将其转化为可操作的计算框架。 全书结构分为五大部分，层层递进，从基础理论奠定到高级应用的展示。 --- 第一部分：生物智能的计算基础与模型重构 本部分首先回顾了现代神经科学的最新突破，特别是关于皮层柱（Cortical Columns）的功能组织、海马体在空间认知和记忆中的作用，以及前额叶皮层（PFC）在决策制定中的核心地位。我们将批判性地审视当前基于人工神经网络（ANNs）的局限性，特别是它们在处理稀疏数据、进行因果推理以及实现快速适应性学习方面的不足。 核心章节将详细介绍“能量最小化原理”在生物系统中的体现，例如自由能原理（Free Energy Principle, FEP）及其在主动推断（Active Inference）中的应用。我们探讨如何将这些基于统计物理学的框架应用于构建能够自主维持内部稳态的智能体。此外，本书还将详细阐述脉冲神经网络（Spiking Neural Networks, SNNs）的原理，强调其在时间编码、事件驱动计算以及能源效率方面的潜在优势，并讨论如何利用生物可塑性规则（如STDP, Spike-Timing-Dependent Plasticity）来设计更贴近生物的在线学习算法。 关键词： 自由能原理，主动推断，脉冲神经网络，神经动力学，皮层建模。 --- 第二部分：记忆的结构化与知识表征 传统的深度学习模型在知识的长期存储和灵活检索方面仍面临“灾难性遗忘”的挑战。本部分将聚焦于如何模仿生物记忆系统的层次结构和分布式存储机制，设计新型的知识表征框架。 我们将深入研究工作记忆（Working Memory）和长期记忆（Long-Term Memory）在认知计算中的角色区分。详细介绍基于图形结构和张量网络（Tensor Networks）的知识图谱构建方法，这些方法超越了简单的向量嵌入，试图捕捉实体间的复杂关系和上下文依赖性。特别是，我们将讨论如何利用类比推理（Analogical Reasoning）机制——这是人类智能的核心特征之一——来设计能够在低样本环境中实现知识迁移和泛化的模型。内容还将涵盖情景记忆（Episodic Memory）的计算模型，探讨如何利用时间戳和场景分解来支持复杂的导航和规划任务。 关键词： 灾难性遗忘，知识图谱，张量网络，情景记忆模型，类比推理。 --- 第三部分：具身智能与感知-动作的耦合 认知不仅仅是大脑内部的计算，它深刻地依赖于身体（Embodiment）与环境的持续交互。本部分着重于将智能体置于动态、不确定的物理世界中，探讨具身智能（Embodied Intelligence）的计算挑战。 我们将探讨如何有效地整合多模态感觉信息（视觉、触觉、本体感觉）到一个统一的感知框架内，并展示基于循环反馈机制的感知模型。核心内容是运动规划与学习的神经基础，尤其是小脑在协调和误差校正中的作用。我们将介绍基于强化学习的改进范式，例如探索如何引入内源性激励（Intrinsic Motivation）和好奇心驱动的学习，以解决稀疏奖励环境下的探索问题。此外，本书还将详细分析机器人学与认知计算的结合点，讨论如何利用预测编码（Predictive Coding）来实现高效的本体感觉更新和实时动作生成。 关键词： 具身认知，多模态融合，本体感觉，内源性激励，误差校正机制。 --- 第四部分：社会认知、沟通与集体智能 高级智能的体现往往发生在群体互动之中。本部分将从计算的角度解构社会认知（Social Cognition）的复杂性，包括心智理论（Theory of Mind, ToM）的构建和语言的涌现。 我们将介绍如何构建能够推断其他智能体意图、信念和知识状态的模型。这涉及到博弈论与贝叶斯推理在人机交互中的应用，特别是如何利用层次化信念状态模型（Hierarchical Belief State Models）来预测合作与竞争行为。在语言方面，我们不关注大规模预训练模型的表面能力，而是探讨语言在作为“可共享的认知工具”的角色。内容包括如何从交互中学习共享符号系统、如何处理指代消解（Coreference Resolution）以及在对话中实现论域的动态调整。最后，本部分将讨论分布式智能体网络中的涌现行为和集体决策机制。 关键词： 心智理论（ToM），意图推断，符号共享，层次化信念状态，分布式智能。 --- 第五部分：通用人工智能的路径与伦理挑战 在全书的最后部分，我们将回归到对通用人工智能（AGI）的愿景探索。本书认为，实现AGI的关键在于整合前述的结构化记忆、具身交互和推理能力，构建一个统一的、具有自主性的认知架构。 我们将提出一个基于模块化和动态连接的认知架构模型，该模型强调不同专业模块之间的灵活切换和资源分配，以模仿大脑的灵活性。内容将包括对计算复杂性的讨论，即如何使用启发式搜索和约束满足技术来管理高维认知空间。最后，鉴于构建更接近人类智能水平的系统，伦理和安全问题变得至关重要。本部分将严肃探讨模型可解释性（Interpretability）的生物学依据，以及如何设计具有内在安全约束（如价值对齐）的认知系统，确保未来智能系统的发展能够服务于人类福祉。 关键词： 认知架构，模块化设计，价值对齐，可解释性（XAI），自主系统安全。 --- 本书面向对计算神经科学、高级人工智能研究、复杂系统建模以及认知心理学有浓厚兴趣的研究人员、高级工程师和博士研究生。它要求读者具备扎实的线性代数、概率论和基础机器学习知识，旨在提供一个跨越学科壁垒、面向未来的智能系统设计蓝图。

评分☆☆☆☆☆

如果说市面上大部分的优化书籍都是在教你“如何计算”，那么这本书更像是在教你“如何思考”。它引导我跳出了传统的单目标思维定式，真正理解了多目标优化背后的复杂性和美感。书中对“解集多样性维护”的讨论，让我印象深刻。很多时候，算法找到了一批优秀的解，但如果这些解彼此之间太相似，那就失去了多目标探索的意义。作者用生动的图示和严谨的文字，解释了如何通过精妙的“拥挤度”计算和“支配关系”来确保解集的广度和代表性。这种对细节的打磨，体现了作者深厚的学术功底和对教学质量的极致追求。对于有志于从事前沿算法研究的人来说，这本书绝对是不可或缺的基石，它为深入理解更高级的元启发式算法奠定了坚实的基础，激发了我进一步探索该领域前沿动态的兴趣。

评分☆☆☆☆☆

这本书的排版和结构设计简直是一场视觉享受，这对于一本技术密集型的书籍来说非常难得。每一章的逻辑衔接都极为顺畅，仿佛一位经验丰富的老教授，循循善诱地引导着读者。我特别喜欢它在介绍完一个核心概念后，总会附带一个“思考题”或者“拓展阅读”的板块。这些小设计，让阅读过程充满了互动性，而不是单向的信息灌输。举个例子，书中关于“目标函数加权”的章节，我原以为会很枯燥，但作者却通过一个关于城市规划的宏大叙事，将加权过程中的主观性与客观性阐述得淋漓尽致。这种将硬核知识包裹在引人入胜的故事和清晰结构中的能力，使得学习效率大大提高。对于希望自学并掌握这一领域的读者而言，这本书无疑是一盏明灯，它让你觉得，复杂的优化理论原来可以如此优雅易懂。

评分☆☆☆☆☆

我对这本书的评价，可以用“深邃而不失灵动”来概括。它并非一本轻松的入门读物，但它也绝非高不可攀的象牙塔理论。它在理论的深度和工程的实用性之间找到了一个近乎完美的平衡点。书中所展示的那些前沿研究成果，比如处理高维问题和不确定性环境下的进化策略，让我看到了该领域未来几年的发展方向。特别是关于如何处理计算成本极高的模拟场景中的多目标优化，作者提供了一系列基于代理模型的策略，这些都是目前学术界和工业界都在积极探索的方向。读这本书，就像是获得了一张进入该领域顶尖实验室的门票，你不仅学到了既有的成熟技术，更重要的是，领悟到了如何站在巨人的肩膀上，去思考和设计下一代优化算法的蓝图。

评分☆☆☆☆☆

作为一个在业界摸爬滚打多年的工程师，我需要的是能快速落地、解决实际问题的方案，而不是晦涩的理论推导。这本书恰好满足了我的需求。它对我最大的帮助在于系统地梳理了多目标优化中“帕累托最优”的概念。在实际工作中，我们常常面临多个相互制约的指标，比如软件开发中的速度、质量和预算，你不可能同时让它们都达到最优。这本书清晰地阐述了如何构建一个能同时处理这些矛盾的框架。书中的案例分析非常贴合工业应用场景，尤其是关于算法参数调优的部分，提供了一套非常实用的操作指南。我特别欣赏作者在讲解不同算法变体时的细致入微，比如NSGA-II和SPEA2的优缺点比较，以及如何在不同约束条件下选择合适的策略。读完后，我立刻尝试将书中的思想应用到我们最近的一个资源分配项目中，效果立竿见影，决策过程的透明度和结果的质量都有了显著提升。

评分☆☆☆☆☆

这本书简直是为我这种刚入门优化算法的菜鸟量身定做的。我记得我第一次接触“优化”这个概念时，感觉就像是在一个巨大的迷宫里找出口，到处都是复杂的公式和难以理解的术语。但是《多目标进化优化》这本书，用一种非常亲和的方式，把我从那个迷茫的角落里拉了出来。作者没有一上来就扔给我一堆高深的数学理论，而是从最直观的例子讲起，比如如何平衡成本和性能这两个相互冲突的目标。书中对进化算法的基本思想解释得极其到位，那种“适者生存”的哲学被巧妙地融入到算法的每一步中，让人读起来津津有味，完全不像在啃一本技术教科书。它让我明白，优化不只是找到一个“最好”的解，而是在“好”和“更好”之间找到一个令人满意的平衡点。那种通过模拟自然选择来解决复杂问题的思路，真的让我大开眼界，感觉自己掌握了一套强大的工具箱，准备好去解决现实世界中的各种难题了。